Forschende der Princeton University haben ein KI-gestütztes Analyseverfahren entwickelt, das zeigt, wie pharmazeutische Substanzen die Dynamik intrazellulärer Biomolekülkondensate beeinflussen. Die Studie wurde am 4. Juni im Fachjournal Cell veröffentlicht. Das Team unter Leitung von Cliff Brangwynne und Erstautorin Anita Donlic nutzt maschinelles Lernen, um Formveränderungen von Nukleoli, den zellulären Proteinfabriken, zu kategorisieren und direkt mit funktionalen biologischen Ergebnissen zu verknüpfen. Herkömmliche mikroskopische Aufnahmen solcher Kondensate sind selbst für Experten schwer interpretierbar. Das entwickelte neuronale Netzwerk analysiert Bildmaterial aus hunderten menschlichen Zellen unter verschiedenen Dosierungen und klassifiziert die Nukleolus-Strukturen in vier Morphologien: eine normale Form sowie drei Reaktionsmuster auf zellulären Stress, darunter die bisher bekannten Kap- und Halskettenstrukturen. Darüber hinaus identifiziert die KI eine vierte, zuvor unbekannte Blattform, die durch den Wirkstoff Topotecan ausgelöst wird. Die Analyse offenbart präzise dosisabhängige Effekte. Zwei etablierte Antikrebstherapeutika verursachen unerwartet Kap-Formen, was auf noch nicht verstandene Mechanismen zur Beeinflussung der Nukleolarfunktion hindeutet. Bei Topotecan zeigte Donlic, dass die Hemmung des Enzyms TOP1 nicht nur die DNA-Replikation stoppt, sondern über eine Regulation der RNA-Verarbeitung die Blattform stabilisiert. Diese Erkenntnisse erweitern das Verständnis der zellulären Organisation erheblich. Das KI-System etabliert ein robustes Monitoring-Framework für Einzelzellanalysen. Es ermöglicht die schnelle Bewertung von Wirkstoffprofilen und dient als Biomarker für stressassoziierte Erkrankungen wie Alzheimer, ALS und Krebs. Die Validierung der Algorithmen auf weitere RNA-bezogene Kondensate, etwa nukleäre Spelzwerke und virale Strukturen des respiratorischen Synzytialvirus, bestätigt die breite Übertragbarkeit der Methode. Die Forschung unterstreicht das Potenzial künstlicher Intelligenz, subtile morphologische Muster zu entschlüsseln, die manuelle Auswertungen oft übersehen. Durch die automatische Zuordnung von Strukturveränderungen zu spezifischen molekularen Wirkmechanismen liefert das Verfahren eine skalierbare Plattform für die Wirkstoffentwicklung und die Diagnostik zellulärer Dysfunktionen.